que paso
Google DeepMind publicó WeatherNext Cyclones in Nature el 6 de agosto y publicó el código de pronóstico y los pesos previamente entrenados para uso en investigación.
Los autores del artículo incluyen investigadores de Google DeepMind y Google Research, así como pronosticadores y científicos del Centro Nacional de Huracanes de EE. UU., el Instituto Cooperativo para la Investigación de la Atmósfera de la Universidad Estatal de Colorado y la Oficina Meteorológica del Reino Unido. Google dice que el modelo se probó en ciclones tropicales históricos de 2023 y 2024, con versiones anuales entrenadas solo con datos disponibles antes del año de evaluación.
En cuanto a las medidas de trayectoria, intensidad y estructura del viento, Google informa más de 24 horas de ventaja promedio en el tiempo de entrega sobre los principales sistemas de comparación. En términos sencillos, sus predicciones de tres días alcanzaron la precisión que los sistemas anteriores ofrecían a dos días. El resultado cubre tanto pronósticos deterministas como conjuntos, que estiman una variedad de resultados de tormentas plausibles en lugar de una trayectoria única.
WeatherNext combina datos atmosféricos globales con registros de ciclones seleccionados por expertos. Google dice que el entrenamiento utilizó casi 20 terabytes de datos atmosféricos y casi 5.000 tormentas del archivo IBTrACS. El sistema puede pronosticar con hasta 15 días de anticipación y generar un conjunto de 1.000 miembros; La compañía dice que un pronóstico toma menos de un minuto en una TPU.
Lea la fuente principal: Google DeepMind WeatherNext announcement and Nature paper ↗
Por qué es importante
El pronóstico de ciclones ha obligado durante mucho tiempo a un equilibrio entre modelar las corrientes a gran escala que dirigen una tormenta y los procesos a escala fina que determinan su fuerza. Un modelo que mejore ambos podría dar a los pronosticadores expertos más tiempo útil para evaluar las evacuaciones, la dotación de personal y los suministros de emergencia.
El lanzamiento es más que un anuncio de investigación. Google ha publicado el código WeatherNext, los pesos de los modelos, la documentación y una versión Mini compacta bajo licencias abiertas. Esto brinda a las universidades, agencias meteorológicas y organizaciones sin fines de lucro una vía para reproducir el sistema publicado, probarlo en entornos regionales y crear herramientas especializadas en lugar de depender únicamente de una demostración organizada.
El modelo también ha sido expuesto a la práctica operativa. Una versión de WeatherNext se ejecutó durante la temporada de huracanes del Atlántico de 2025 y estuvo disponible para los pronosticadores del Centro Nacional de Huracanes como guía. Google dice que anticipó la rápida intensificación del huracán Melissa y su llegada a tierra en Jamaica con cinco días de antelación, pero el pronóstico oficial y las advertencias públicas provinieron de los pronosticadores humanos del centro.
Esa distinción es esencial. La guía de modelos anteriores puede mejorar una decisión sólo cuando pronosticadores capacitados la comparan con observaciones, modelos físicos y conocimiento local. Google y el repositorio público afirman que WeatherNext es una investigación experimental y no reemplaza las alertas de los servicios meteorológicos nacionales o locales.
Qué ver a continuación
Esté atento a replicaciones independientes en más cuencas oceánicas, eventos raros de rápida intensificación y temporadas de tormentas completas utilizando modelos congelados y datos operativos reales.
El resultado principal del tiempo de espera es un promedio de las pruebas históricas, no una promesa de que cada tormenta se predecirá un día antes. Los impactos locales como lluvias, inundaciones, marejadas ciclónicas y daños por viento a escala de vecindario requieren modelos y observaciones adicionales, y un conjunto confiable aún puede perder un resultado fuera de los patrones representados en sus datos.
El acceso también tiene límites prácticos. El repositorio describe el código como software de investigación sin garantía de estabilidad API, dice que los modelos completos requieren una memoria de acelerador sustancial y señala que no se espera que el modelo Mini compacto coincida con las versiones más grandes. Reproducir un punto de referencia es diferente a operar un servicio de alerta pública confiable las 24 horas del día.
La evidencia de seguimiento más valiosa provendrá de agencias meteorológicas que publiquen verificaciones, calibraciones, casos de fallas y ejemplos de cómo la guía cambia los pronósticos humanos. Las pesas abiertas hacen posible ese escrutinio; Una evaluación operativa transparente mostrará si el beneficio reportado va más allá de la colaboración original.
